---
tags:
- setfit
- sentence-transformers
- text-classification
- generated_from_setfit_trainer
widget:
- text: 런지 머신 스쿼트 레그 레이즈 다리 하체 운동 허벅지 엉덩이 피트니스 스포츠/레저>헬스>웨이트기구>스쿼트머신
- text: 허리 단련 운동 허리강화 로마의자 로만체어 옆구리 스포츠/레저>헬스>복근운동기구
- text: 스트레칭봉 스트레칭 선물 막대 홈트운동기구 필라테스 요가봉 DD508 스포츠/레저>헬스>헬스소품>기타헬스소품
- text: 벽스쿼트 핵스쿼트머신 홈짐 홈트 허벅지 코어 운동 스포츠/레저>헬스>웨이트기구>스쿼트머신
- text: 프레임 웰이트볼 정리대 거치대 수납 메디신볼 월볼 스포츠/레저>헬스>헬스소품>기타헬스소품
metrics:
- accuracy
pipeline_tag: text-classification
library_name: setfit
inference: true
base_model: mini1013/master_domain
model-index:
- name: SetFit with mini1013/master_domain
  results:
  - task:
      type: text-classification
      name: Text Classification
    dataset:
      name: Unknown
      type: unknown
      split: test
    metrics:
    - type: accuracy
      value: 1.0
      name: Accuracy
---

# SetFit with mini1013/master_domain

This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Text Classification. This SetFit model uses [mini1013/master_domain](https://huggingface.co/mini1013/master_domain) as the Sentence Transformer embedding model. A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

1. Fine-tuning a [Sentence Transformer](https://www.sbert.net) with contrastive learning.
2. Training a classification head with features from the fine-tuned Sentence Transformer.

## Model Details

### Model Description
- **Model Type:** SetFit
- **Sentence Transformer body:** [mini1013/master_domain](https://huggingface.co/mini1013/master_domain)
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance
- **Maximum Sequence Length:** 512 tokens
- **Number of Classes:** 18 classes
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->

### Model Sources

- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit)
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055)
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit)

### Model Labels
| Label | Examples                                                                                                                                                                                                                    |
|:------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 11.0  | <ul><li>'음파 진동기 덜덜이 쉐이크보드 운동기구 뱃살 지방 코어 태우기 다이어트 스포츠/레저>헬스>진동운동기'</li><li>'덜덜이 전신 진동 진동기 쉐이크 음파 운동기구 스포츠/레저>헬스>진동운동기'</li><li>'쉐이킹보드 진동 다이어트 실내 피트니스 머신 체형관리 운동기 가정용 전신 플레이트 덜덜이 스포츠/레저>헬스>진동운동기'</li></ul>                 |
| 13.0  | <ul><li>'아이워너 접이식 타원형 손잡이 트램폴린 2인용 스포츠/레저>헬스>트램펄린'</li><li>'멜킨스포츠 스포츠 트램폴린 55인치 스포츠/레저>헬스>트램펄린'</li><li>'반석스포츠 맥스클럽 트램폴린 스포츠/레저>헬스>트램펄린'</li></ul>                                                                          |
| 10.0  | <ul><li>'JJR 3 1m 단체 구슬줄넘기 슬림구슬 DYG103150 스포츠/레저>헬스>줄넘기'</li><li>'R-WAVE 1635 줄넘기 우드 줄넘기 나무 스포츠/레저>헬스>줄넘기'</li><li>'아이워너 선수용 줄넘기 다이어트 헬스 유산소운동 꼬임방지베어링 줄길이조절가능 스포츠/레저>헬스>줄넘기'</li></ul>                                     |
| 1.0   | <ul><li>'엑사이더 슬림한 워킹패드 런닝머신 EW771R 스포츠/레저>헬스>러닝머신>접이식'</li><li>'바디엑스 X7 가정용 러닝머신 스포츠/레저>헬스>러닝머신>접이식'</li><li>'이고진 런닝머신 LT01 가정용 유산소 운동 기구 홈트 저소음 실내 워킹 패드 접이식 스포츠/레저>헬스>러닝머신>접이식'</li></ul>                                 |
| 15.0  | <ul><li>'좌식 실내 자전거 운동기구 스피닝 가정용 바이크 헬스싸이클 스포츠/레저>헬스>헬스사이클'</li><li>'실내자전거 운동 스피닝 바이크 가정용 좌식 접이식 스포츠/레저>헬스>헬스사이클'</li><li>'좌식자전거 유산소 실내자전거 무소음 운동기구 홈트 사이클 릴렉스 헬스 바이크 다이어트 스포츠/레저>헬스>헬스사이클'</li></ul>                        |
| 17.0  | <ul><li>'신신상사 스타스포츠 S로즈 3.1  EA3001 훌라후프 스포츠/레저>헬스>훌라후프'</li><li>'닥터웰 웰서클 훌라후프 DR-54 스포츠/레저>헬스>훌라후프'</li><li>'나노소프트 BFIT 앱 폼 훌라후프 상급용 1.8KG 스포츠/레저>헬스>훌라후프'</li></ul>                                                       |
| 3.0   | <ul><li>'월드 클럽용 벨트 마사지기 - 논슬립 강철발판 덜덜이 BODY-0516 스포츠/레저>헬스>벨트마사지'</li><li>'골드스톤 벨트마사지기 덜덜이 속도조절 클럽용 실내운동기구 진동운동기구 GS10000 스포츠/레저>헬스>벨트마사지'</li><li>'아이워너 PVC 삼각 아령 3kg 스모키라벤더 스포츠/레저>헬스>벨트마사지'</li></ul>                    |
| 14.0  | <ul><li>'허리 트레이닝 스트레칭 발판 원판 지압 회전 WW710C12 스포츠/레저>헬스>트위스트'</li><li>'슈어밸류A 홈짐 허리운동 허리회전 등허리 트위스트 기구 CH-A103714 스포츠/레저>헬스>트위스트'</li><li>'트위스트 전신 운동 기구 홈트 실내 허리 스포츠/레저>헬스>트위스트'</li></ul>                                     |
| 4.0   | <ul><li>'로만체어 척추 기립근 복부 허리 운동기구 로망체어 스포츠/레저>헬스>복근운동기구'</li><li>'복근 진동 EMS 벨트 허리 피트니스 패드 저주파 자극 스포츠/레저>헬스>복근운동기구'</li><li>'로만 체어 백익스텐션 운동기구 코어 기립근 옆구리 스포츠/레저>헬스>복근운동기구'</li></ul>                                           |
| 6.0   | <ul><li>'승마 미끄럼 방지 장비 말-B 스포츠/레저>헬스>승마운동기'</li><li>'승마용 퀄팅 부츠 가방 수납 승마용품 보관 장비 스포츠/레저>헬스>승마운동기'</li><li>'승마 가죽 채찍 말 훈련 도구 라이딩 전문가용 스포츠/레저>헬스>승마운동기'</li></ul>                                                               |
| 8.0   | <ul><li>'홈트레이닝 최신 4줄 전신튜빙밴드 바디쉐이퍼 튜빙밴드 복근운동 헬스 스포츠/레저>헬스>웨이트기구>웨이트용품'</li><li>'스미스 머신 가정용 파워랙 멀티랙 로잉 운동기구 홈트 세트 홈짐 스미스 용문대 누적기 130kg 솔리드 스포츠/레저>헬스>웨이트기구>복합헬스머신'</li><li>'modoo 스트레칭 요가 밴드 스포츠/레저>헬스>웨이트기구>웨이트용품'</li></ul> |
| 9.0   | <ul><li>'일립티컬 유산소 스카이워커 홈트 실내 입식 바이크 스포츠/레저>헬스>일립티컬'</li><li>'워커 접이식 기구 머신 운동 일립티컬 가정용 유산소 실내 홈트 헬스 운동기구 스포츠/레저>헬스>일립티컬'</li><li>'일립티컬머신 걷기운동 스카이 스텝밀 무소음 계단 스포츠/레저>헬스>일립티컬'</li></ul>                                      |
| 2.0   | <ul><li>'실내자전거 매트 로잉머신 충격흡수 발판 방음 소음방지 12 L 스포츠/레저>헬스>로잉머신'</li><li>'가정용 로잉머신 접이식 조정 전신 운동 홈트 노젓기 스포츠/레저>헬스>로잉머신'</li><li>'가정용 로잉머신 노젓기 워터 운동 조정 스포츠/레저>헬스>로잉머신'</li></ul>                                                  |
| 7.0   | <ul><li>'CNK 육각 아령 스포츠/레저>헬스>아령/덤벨'</li><li>'모아그룹 모아클래스 논슬립 덤벨 스포츠/레저>헬스>아령/덤벨'</li><li>'우성레포츠 아리프 냄새없는 PEV 육각 덤벨 스포츠/레저>헬스>아령/덤벨'</li></ul>                                                                                |
| 12.0  | <ul><li>'멜킨스포츠 케틀벨 스포츠/레저>헬스>케틀벨'</li><li>'바디엑스 소프트 케틀벨 스포츠/레저>헬스>케틀벨'</li><li>'대연 스포빅스 PVC 스타일 케틀벨 스포츠/레저>헬스>케틀벨'</li></ul>                                                                                                |
| 5.0   | <ul><li>'클라이머 스탭퍼 가정용 암벽등반 등산 천국의 계단 스포츠/레저>헬스>스텝퍼'</li><li>'마운틴 클라이머 스텝퍼 사다리 걷기 천국의계단 홈트 클라이머운동기구 스포츠/레저>헬스>스텝퍼'</li><li>'스텝퍼 계단오르기기구 클라이머 클라임밀 스텝머신 스포츠/레저>헬스>스텝퍼'</li></ul>                                              |
| 16.0  | <ul><li>'균형잡기 발란스 보드 밸런스 패드 허벅지 근육 운동 스포츠/레저>헬스>헬스소품>기타헬스소품'</li><li>'파워풀 강도조절 카운트 악력기 그린 스포츠/레저>헬스>헬스소품>악력기'</li><li>'오너클랜 관절 손상 최소화 스트레칭 운동 밸런스 패드 W3BB69C 스포츠/레저>헬스>헬스소품>기타헬스소품'</li></ul>                               |
| 0.0   | <ul><li>'와이앤에이치 렉스파 전동 거꾸리 YA-810 스포츠/레저>헬스>거꾸리'</li><li>'멜킨스포츠 세이프존 가정용 프리미엄 거꾸리 운동 기구 허리운동 스포츠/레저>헬스>거꾸리'</li><li>'와이앤에이치 렉스파 가정용 거꾸리 YA-740 스포츠/레저>헬스>거꾸리'</li></ul>                                                     |

## Evaluation

### Metrics
| Label   | Accuracy |
|:--------|:---------|
| **all** | 1.0      |

## Uses

### Direct Use for Inference

First install the SetFit library:

```bash
pip install setfit
```

Then you can load this model and run inference.

```python
from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("mini1013/master_cate_sl31")
# Run inference
preds = model("허리 단련 운동 허리강화 로마의자 로만체어 옆구리 스포츠/레저>헬스>복근운동기구")
```

<!--
### Downstream Use

*List how someone could finetune this model on their own dataset.*
-->

<!--
### Out-of-Scope Use

*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->

<!--
## Bias, Risks and Limitations

*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->

<!--
### Recommendations

*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->

## Training Details

### Training Set Metrics
| Training set | Min | Median | Max |
|:-------------|:----|:-------|:----|
| Word count   | 2   | 8.0378 | 18  |

| Label | Training Sample Count |
|:------|:----------------------|
| 0.0   | 3                     |
| 1.0   | 70                    |
| 2.0   | 70                    |
| 3.0   | 70                    |
| 4.0   | 70                    |
| 5.0   | 70                    |
| 6.0   | 70                    |
| 7.0   | 70                    |
| 8.0   | 70                    |
| 9.0   | 70                    |
| 10.0  | 70                    |
| 11.0  | 70                    |
| 12.0  | 69                    |
| 13.0  | 70                    |
| 14.0  | 68                    |
| 15.0  | 70                    |
| 16.0  | 70                    |
| 17.0  | 70                    |

### Training Hyperparameters
- batch_size: (256, 256)
- num_epochs: (30, 30)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 50
- body_learning_rate: (2e-05, 1e-05)
- head_learning_rate: 0.01
- loss: CosineSimilarityLoss
- distance_metric: cosine_distance
- margin: 0.25
- end_to_end: False
- use_amp: False
- warmup_proportion: 0.1
- l2_weight: 0.01
- seed: 42
- eval_max_steps: -1
- load_best_model_at_end: False

### Training Results
| Epoch   | Step | Training Loss | Validation Loss |
|:-------:|:----:|:-------------:|:---------------:|
| 0.0043  | 1    | 0.499         | -               |
| 0.2146  | 50   | 0.4998        | -               |
| 0.4292  | 100  | 0.4521        | -               |
| 0.6438  | 150  | 0.2435        | -               |
| 0.8584  | 200  | 0.093         | -               |
| 1.0730  | 250  | 0.0291        | -               |
| 1.2876  | 300  | 0.012         | -               |
| 1.5021  | 350  | 0.0065        | -               |
| 1.7167  | 400  | 0.0045        | -               |
| 1.9313  | 450  | 0.0039        | -               |
| 2.1459  | 500  | 0.0041        | -               |
| 2.3605  | 550  | 0.0021        | -               |
| 2.5751  | 600  | 0.0002        | -               |
| 2.7897  | 650  | 0.0001        | -               |
| 3.0043  | 700  | 0.0001        | -               |
| 3.2189  | 750  | 0.0001        | -               |
| 3.4335  | 800  | 0.0001        | -               |
| 3.6481  | 850  | 0.0001        | -               |
| 3.8627  | 900  | 0.0001        | -               |
| 4.0773  | 950  | 0.0001        | -               |
| 4.2918  | 1000 | 0.0001        | -               |
| 4.5064  | 1050 | 0.0001        | -               |
| 4.7210  | 1100 | 0.0001        | -               |
| 4.9356  | 1150 | 0.0           | -               |
| 5.1502  | 1200 | 0.0           | -               |
| 5.3648  | 1250 | 0.0           | -               |
| 5.5794  | 1300 | 0.0           | -               |
| 5.7940  | 1350 | 0.0           | -               |
| 6.0086  | 1400 | 0.0           | -               |
| 6.2232  | 1450 | 0.0           | -               |
| 6.4378  | 1500 | 0.0           | -               |
| 6.6524  | 1550 | 0.0           | -               |
| 6.8670  | 1600 | 0.0           | -               |
| 7.0815  | 1650 | 0.0           | -               |
| 7.2961  | 1700 | 0.0           | -               |
| 7.5107  | 1750 | 0.0           | -               |
| 7.7253  | 1800 | 0.0           | -               |
| 7.9399  | 1850 | 0.0           | -               |
| 8.1545  | 1900 | 0.0           | -               |
| 8.3691  | 1950 | 0.0           | -               |
| 8.5837  | 2000 | 0.0           | -               |
| 8.7983  | 2050 | 0.0           | -               |
| 9.0129  | 2100 | 0.0           | -               |
| 9.2275  | 2150 | 0.0           | -               |
| 9.4421  | 2200 | 0.0           | -               |
| 9.6567  | 2250 | 0.0           | -               |
| 9.8712  | 2300 | 0.0           | -               |
| 10.0858 | 2350 | 0.0           | -               |
| 10.3004 | 2400 | 0.0           | -               |
| 10.5150 | 2450 | 0.0           | -               |
| 10.7296 | 2500 | 0.0           | -               |
| 10.9442 | 2550 | 0.0           | -               |
| 11.1588 | 2600 | 0.0           | -               |
| 11.3734 | 2650 | 0.0           | -               |
| 11.5880 | 2700 | 0.0           | -               |
| 11.8026 | 2750 | 0.0           | -               |
| 12.0172 | 2800 | 0.0           | -               |
| 12.2318 | 2850 | 0.0           | -               |
| 12.4464 | 2900 | 0.0           | -               |
| 12.6609 | 2950 | 0.0           | -               |
| 12.8755 | 3000 | 0.0           | -               |
| 13.0901 | 3050 | 0.0           | -               |
| 13.3047 | 3100 | 0.0           | -               |
| 13.5193 | 3150 | 0.0           | -               |
| 13.7339 | 3200 | 0.0           | -               |
| 13.9485 | 3250 | 0.0           | -               |
| 14.1631 | 3300 | 0.0           | -               |
| 14.3777 | 3350 | 0.0           | -               |
| 14.5923 | 3400 | 0.0           | -               |
| 14.8069 | 3450 | 0.0           | -               |
| 15.0215 | 3500 | 0.0           | -               |
| 15.2361 | 3550 | 0.0           | -               |
| 15.4506 | 3600 | 0.0           | -               |
| 15.6652 | 3650 | 0.0           | -               |
| 15.8798 | 3700 | 0.0           | -               |
| 16.0944 | 3750 | 0.0           | -               |
| 16.3090 | 3800 | 0.0           | -               |
| 16.5236 | 3850 | 0.0           | -               |
| 16.7382 | 3900 | 0.0           | -               |
| 16.9528 | 3950 | 0.0           | -               |
| 17.1674 | 4000 | 0.0           | -               |
| 17.3820 | 4050 | 0.0           | -               |
| 17.5966 | 4100 | 0.0           | -               |
| 17.8112 | 4150 | 0.0           | -               |
| 18.0258 | 4200 | 0.0           | -               |
| 18.2403 | 4250 | 0.0           | -               |
| 18.4549 | 4300 | 0.0           | -               |
| 18.6695 | 4350 | 0.0           | -               |
| 18.8841 | 4400 | 0.0           | -               |
| 19.0987 | 4450 | 0.0           | -               |
| 19.3133 | 4500 | 0.0           | -               |
| 19.5279 | 4550 | 0.0           | -               |
| 19.7425 | 4600 | 0.0           | -               |
| 19.9571 | 4650 | 0.0           | -               |
| 20.1717 | 4700 | 0.0           | -               |
| 20.3863 | 4750 | 0.0           | -               |
| 20.6009 | 4800 | 0.0           | -               |
| 20.8155 | 4850 | 0.0           | -               |
| 21.0300 | 4900 | 0.0           | -               |
| 21.2446 | 4950 | 0.0           | -               |
| 21.4592 | 5000 | 0.0           | -               |
| 21.6738 | 5050 | 0.0           | -               |
| 21.8884 | 5100 | 0.0           | -               |
| 22.1030 | 5150 | 0.0           | -               |
| 22.3176 | 5200 | 0.0           | -               |
| 22.5322 | 5250 | 0.0           | -               |
| 22.7468 | 5300 | 0.0           | -               |
| 22.9614 | 5350 | 0.0           | -               |
| 23.1760 | 5400 | 0.0           | -               |
| 23.3906 | 5450 | 0.0           | -               |
| 23.6052 | 5500 | 0.0           | -               |
| 23.8197 | 5550 | 0.0           | -               |
| 24.0343 | 5600 | 0.0           | -               |
| 24.2489 | 5650 | 0.0           | -               |
| 24.4635 | 5700 | 0.0           | -               |
| 24.6781 | 5750 | 0.0           | -               |
| 24.8927 | 5800 | 0.0           | -               |
| 25.1073 | 5850 | 0.0           | -               |
| 25.3219 | 5900 | 0.0           | -               |
| 25.5365 | 5950 | 0.0           | -               |
| 25.7511 | 6000 | 0.0           | -               |
| 25.9657 | 6050 | 0.0           | -               |
| 26.1803 | 6100 | 0.0           | -               |
| 26.3948 | 6150 | 0.0           | -               |
| 26.6094 | 6200 | 0.0           | -               |
| 26.8240 | 6250 | 0.0           | -               |
| 27.0386 | 6300 | 0.0           | -               |
| 27.2532 | 6350 | 0.0           | -               |
| 27.4678 | 6400 | 0.0           | -               |
| 27.6824 | 6450 | 0.0           | -               |
| 27.8970 | 6500 | 0.0           | -               |
| 28.1116 | 6550 | 0.0           | -               |
| 28.3262 | 6600 | 0.0           | -               |
| 28.5408 | 6650 | 0.0           | -               |
| 28.7554 | 6700 | 0.0           | -               |
| 28.9700 | 6750 | 0.0           | -               |
| 29.1845 | 6800 | 0.0           | -               |
| 29.3991 | 6850 | 0.0           | -               |
| 29.6137 | 6900 | 0.0           | -               |
| 29.8283 | 6950 | 0.0           | -               |

### Framework Versions
- Python: 3.10.12
- SetFit: 1.1.0
- Sentence Transformers: 3.3.1
- Transformers: 4.44.2
- PyTorch: 2.2.0a0+81ea7a4
- Datasets: 3.2.0
- Tokenizers: 0.19.1

## Citation

### BibTeX
```bibtex
@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}
```

<!--
## Glossary

*Clearly define terms in order to be accessible across audiences.*
-->

<!--
## Model Card Authors

*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->

<!--
## Model Card Contact

*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
-->